En el campo del aprendizaje estadístico , cuando desee ajustar un modelo a un conjunto observado de puntos de datos (para poder predecir valores para datos futuros) puede elegir entre:
- Métodos simples (o métodos inflexibles ): esos métodos son obstinados (alto sesgo ). Usted elige su modelo sin tener en cuenta las características inherentes de sus datos observados, por ejemplo, dice que usaré un modelo lineal para ajustar las observaciones.
- métodos complejos (o métodos flexibles ): esos métodos intentan tener en cuenta las regularidades inherentes de los datos observados, el término flexible significa que son como un camaleón, puede llevarlos al extremo y se ajustarán perfectamente a sus datos (por ejemplo, usando un modelo polinomial de alto orden) hasta el punto de que se vuelven inútiles porque no podrán predecir datos futuros (alta varianza ).
El equilibrio de sesgo-varianza nos dice que ningún método es mejor que el otro y que debe elegir de acuerdo con sus necesidades y los datos que tiene. Me gusta pensar en esta compensación como otra instancia del “Teorema de no almuerzo gratis”.
- Cómo comprender completamente los condicionales en matemáticas discretas
- ¿Por qué elegir una base de datos relacional sobre una no relacional, si la consistencia y la disponibilidad no son factores?
- ¿Cómo pruebo o refuto lo siguiente: f (n) = o (g (x)) implica f (n) = O (g (n))?
- ¿Podría la programación de aprendizaje y las matemáticas cambiar mis patrones de pensamiento?
- Si encuentro que las matemáticas discretas son totalmente comprensibles pero no realmente emocionantes, ¿debería reconsiderar estudiar CS? (Soy un estudiante de segundo año)
